一种基于大规模多目标进化优化和博弈决策机制的容错任务卸载框架

《Expert Systems with Applications》：A fault-tolerant task offloading framework via large-scale multi-objective evolutionary optimization and game-based decision mechanism

大规模多目标优化在动态边缘计算环境中的挑战及ALC-LSMOEA-KT算法研究。提出双层稀疏编码分离变量激活与值搜索，结合马氏距离协方差适应捕捉变量间非线性相关性，并通过Stackelberg机制实现故障迁移保障鲁棒性。实验表明该算法在超大规模场景（>100维）中显著提升收敛速度、解集多样性及故障容忍度，IGD指标优化达23.6%。

　　在当今快速发展的技术环境中，移动设备和智能应用的广泛应用正推动着对高效计算和低延迟处理能力的需求不断增长。这些应用包括增强现实（AR）、智能感知、自动驾驶以及数字孪生系统等，它们对计算资源的消耗极大，同时对响应时间的要求也极为严格。然而，由于移动终端在处理能力、能源存储和散热方面存在固有限制，大多数用户设备难以独立满足这些高性能需求。因此，如何在这些约束条件下优化任务处理成为了一个重要的研究课题。

面对这一挑战，多接入边缘计算（MEC）技术应运而生，为解决计算密集型任务在移动设备上的执行问题提供了一种可行的解决方案。MEC的核心理念是将计算任务从资源受限的终端设备转移到地理位置相近的边缘服务器上，从而降低通信延迟，缓解核心网络的拥堵。这种将计算推向数据源的方式，使得MEC在提升任务执行效率和系统稳定性方面具有显著优势。

然而，MEC任务卸载本身是一个多目标优化问题，因为需要同时优化多个往往相互冲突的目标，如执行延迟、能耗、负载均衡和可靠性。随着用户数量、计算任务和MEC节点的迅速增长，优化问题的复杂性也随之增加，导致搜索空间变得庞大且高维。传统的方法在处理这类高维问题时面临诸多挑战，例如维度灾难、过早收敛以及在扩展性方面的不足。尽管近年来提出了一些改进的选择机制、分解策略和多样性维护方法，但这些方法往往忽略了变量冗余这一在现实世界中常见的特征，尤其是在稀疏的大型多目标优化问题（SLMOPs）中。

此外，现实世界的MEC环境具有动态性和不确定性。用户移动性、无线干扰、服务器可用性和任务生成率的变化，使得系统状态迅速演变。静态优化方法难以实时适应这些变化，导致性能下降。同时，边缘服务器可能因过载、网络拥堵或硬件故障而无法正常运行，这可能导致任务执行失败和服务中断。因此，构建具有容错机制的优化框架对于确保MEC系统的鲁棒性和服务连续性至关重要。

为了解决上述问题，本文提出了一种名为ALC-LSMOEA-KT的新型优化框架，该框架集成了稀疏编码、相关性引导搜索和自适应知识转移等关键技术。ALC-LSMOEA-KT的核心设计在于其独特的两层稀疏编码机制，这一机制将变量激活与值搜索分离，使得算法能够在处理大规模问题时保持高效。同时，基于马哈拉诺比斯距离的协方差适应策略被引入，以捕捉变量之间的非线性相关性，并引导搜索过程更有效地进行。

在优化过程中，ALC-LSMOEA-KT采用了一种相位感知的进化策略，该策略通过在线信号动态调整探索与利用的平衡，从而在不同阶段优化算法的性能。此外，为了应对动态环境和服务器故障，本文引入了一个基于斯塔克尔伯格博弈的容错迁移模块，该模块能够动态地重新分配被中断的任务，以维持系统的稳定性。通过这些机制，ALC-LSMOEA-KT不仅能够在高维和不确定性环境下保持良好的优化性能，还能够有效应对系统中的各种动态变化和故障情况。

为了验证ALC-LSMOEA-KT的有效性，本文在多个基准测试集和一个现实的MEC卸载模拟器上进行了广泛的实验。这些测试集涵盖了稀疏的大型多目标优化问题（如LSMOP和SMOP家族），并且具有不同的帕累托前沿几何形状。同时，模拟器还考虑了动态任务到达、链路速率和能耗模型、容量和截止时间约束以及故障注入等因素，以更贴近现实环境。实验结果表明，ALC-LSMOEA-KT在收敛性、解的多样性和鲁棒性方面均优于当前最先进的方法，特别是在高维和故障频发的条件下表现尤为突出。

本文的主要贡献包括三个方面。首先，构建了一个统一且现实的MEC任务卸载模型，该模型在通信和计算约束下，综合优化了延迟、能耗、负载均衡和故障风险等多个目标。其次，设计了一种可扩展且关注稀疏性的优化算法，通过两层稀疏编码机制将变量激活与值搜索分离，并结合基于马哈拉诺比斯距离的协方差适应策略，以更有效地捕捉变量间的相关性并引导搜索过程。最后，提出了一种动态且容错的进化框架，该框架通过相位感知的进化策略动态调整探索与利用的平衡，并利用基于斯塔克尔伯格博弈的任务迁移机制，以应对动态环境和服务器故障，确保系统的鲁棒性。

在实际应用中，MEC系统的构建和运行涉及多个层面的协调与优化。本文提出的方法不仅关注于优化算法本身，还考虑了系统模型的构建和动态环境下的适应能力。通过将任务卸载建模为一个综合的多目标优化问题，本文提供了一种更全面的解决方案，使得在资源受限的条件下，系统能够更高效地执行任务，同时保持较低的能耗和较高的可靠性。

此外，本文还强调了知识转移在优化过程中的重要性。通过在不同阶段和不同子空间中引入知识转移机制，ALC-LSMOEA-KT能够有效利用历史经验，提高算法的适应性和效率。这种知识转移不仅有助于提升解的多样性，还能在面对不确定性和动态变化时，提供更可靠的决策支持。

在实验分析部分，本文通过对比实验验证了ALC-LSMOEA-KT在多个基准测试集上的优越性。实验结果表明，该算法在收敛性、解的多样性和鲁棒性方面均优于现有方法，特别是在高维和故障频发的场景下表现更为突出。这些结果不仅验证了该算法的有效性，也为未来的MEC优化研究提供了新的思路和方向。

综上所述，本文提出的ALC-LSMOEA-KT是一种针对MEC系统多目标优化问题的创新解决方案。该框架通过集成稀疏编码、相关性引导搜索和自适应知识转移等关键技术，有效应对了高维决策空间、冲突目标、非静态条件和易故障基础设施等挑战。实验结果进一步证明了该方法在现实应用场景中的优越性，为未来的MEC优化研究和实际应用提供了坚实的理论基础和技术支持。